CN110503288A - 考虑机台交互作用的辨识良率损失原因的系统与方法 - Google Patents

考虑机台交互作用的辨识良率损失原因的系统与方法 Download PDF

Info

Publication number
CN110503288A
CN110503288A CN201811445872.3A CN201811445872A CN110503288A CN 110503288 A CN110503288 A CN 110503288A CN 201811445872 A CN201811445872 A CN 201811445872A CN 110503288 A CN110503288 A CN 110503288A
Authority
CN
China
Prior art keywords
those
parameter
algorithm
workpiece
group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811445872.3A
Other languages
English (en)
Other versions
CN110503288B (zh
Inventor
林晋逸
谢昱铭
郑芳田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cheng Fan Tien
Original Assignee
Cheng Fan Tien
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cheng Fan Tien filed Critical Cheng Fan Tien
Publication of CN110503288A publication Critical patent/CN110503288A/zh
Application granted granted Critical
Publication of CN110503288B publication Critical patent/CN110503288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31356—Automatic fault detection and isolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Factory Administration (AREA)

Abstract

一种考虑机台交互作用的辨识良率损失原因的系统与方法。本发明实施例提供一种双阶段(Two‑Phase)处理过程，以寻找生产线的良率损失的根本原因。在第一阶段中，辨识出可能会引起良率损失的两制程机台间、两参数间、或制程机台与参数间的交互作用。在第二阶段中，获得第一阶段所发现的会引起良率损失的参数的门槛值，据以调整制程来提升良率。在每一个阶段中，可使用两个不同的演算法来产生一信赖指标(RII)，以评估其搜寻结果的可靠程度。

Description

考虑机台交互作用的辨识良率损失原因的系统与方法
技术领域
本发明是有关于一种辨识良率损失原因的系统与方法，且特别是有关于一种考虑机台交互作用的辨识良率损失原因的系统与方法。
背景技术
提高产品良率对于公司的盈利能力表现至关重要，特别是在研发和量产阶段。所有的制造者无不寻求在研发和量产阶段中迅速地提高产品良率。换言之，当良率损失发生时，必须在研发和量产阶段中快速地找出引起此良率损失的根本原因。当遭遇到良率损失时，习知的良率提升方法是收集所有生产相关数据来进行大数据分析，以找出造成良率损失的根本原因并改正这些根本原因。然而，生产相关数据常常是数量庞大且复杂的，因此非常难以从生产相关数据中寻找良率损失的根本原因。
随着半导体及薄膜晶体管液晶显示器(TFT-LCD)制造技术的进步，其制程变得愈来愈复杂。因此，如何维持这些复杂的制程的可行的良率便成为一必要的议题。良率管理系统的目标是在提升良率。然而，在研发和产量上升阶段中，由于工件数量少，使得良率管理系统难以在所有生产机台中找出缺陷的根本原因。因此，如何在有限数量的工件样本情况下于数量众多生产机台中，找出造成良率损失的不良制程机台的关键参数，便成为众所关心的议题。这种挑战即所谓的高维度变数选取(High Dimensional Variable Selection)问题，其亦标示为p>>n的问题，其中“p”代表半导体及TFT-LCD制程中的制程机台的解释制程相关参数的数量，而另一方面，“n”是半导体及TFT-LCD制程中的成品(被处理的工件)的采样数目。
发明内容
本发明的一目的是在提供一种辨识出良率损失原因的系统与方法，借以搜寻出造成良率损失的机台间或参数间的交互作用，并比较具有交互作用的机台或参数对良率的影响是否高于单一机台或参数本身对良率的影响，因而决定是否应改善机台间或参数间的交互作用来提升良率。
本发明的又一目的是在提供一种辨识出良率损失原因的系统与方法，借以搜寻影响良率的参数的门槛值，再透过对此门槛值的控制来提升良率。
根据本发明上述目的，提出一种辨识良率损失的根本原因的方法。在此方法中，首先提供一生产线(例如：半导体生产线、TFT-LCD生产线等)，此生产线包含复数个制程站(Stages)，每一个制程站包含复数个制程机台，每一个制程机台包含至少一个制程装置，每一个制程装置具有复数个制程参数，此些制程参数是配置以处理复数个工件其中一个工件(例如：晶圆、玻璃基板等)。此些制程机台间具有复数个机台间参数，每一个机台间参数代表此些制程机台的两者间的交互作用。然后，根据复数个生产路径分别处理工件，每一个生产路径指出在此些制程站上的此些制程机台的此些制程装置其中一个预设装置，用以处理此些工件其中一个工件。接着，对被对应的预设装置处理后的每一个工件进行量测，以获得对应至此些工件的复数组线上量测值。然后，对通过生产线后的每一个工件进行至少一个良率测试，以获得分别对应至此些工件的复数组最终检查值。接着，根据此些组最终检查值决定是否遭遇一良率测试失败。然后，当遭遇到良率测试失败时，进行一第一阶段。在第一阶段中，首先基于一第一演算法来建立一第一搜寻模型，其中此第一演算法为三阶段正交贪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)、最小绝对压缩挑选机制(Least Absolute Shrinkage and Selection Operator；LASSO)演算法、或回归树演算法(TREE)。回归树演算法可为例如：提高样本使用效率的回归树(Sample-EfficientRegression Trees；SERT)演算法。然后，根据此些生产路径、此些制程参数和此些机台间参数，获得用以指出此些工件是否同时通过或使用此些制程装置、此些制程参数和此些机台间参数所组成的第一组合中的任二元件的一组互动数据。接着，通过输入此些工件的制程参数、机台间参数、互动数据、最终检查值、线上量测值和生产路径至上述的第一搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第一关键装置、和/或至少一个第一关键制程参数、和/或至少一个第一关键机台间参数、和/或至少一个第一关键交互作用。
在一些实施例中，在第一阶段中，基于第二演算法来建立第二搜寻模型，其中第二演算法与第一演算法不相同，第二演算法为三阶段正交贪婪演算法演算法、最小绝对压缩挑选机制演算法、或回归树演算法。接着，通过输入此些工件的制程参数、机台间参数、互动数据、最终检查值、线上量测值和生产路径至第二搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第二关键装置、和/或至少一个第二关键制程参数、和/或至少一个第二关键机台间参数、和/或至少一个第二关键交互作用。然后，对第一关键装置、和/或第一关键制程参数、和/或第一关键机台间参数、和/或第一关键交互作用进行排名与评分，而获得一第一排名评分表。并对第二关键装置、和/或第二关键制程参数、和/或第二关键机台间参数、和/或第二关键交互作用进行排名与评分，而获得一第二排名评分表。接着，比较第一排名评分表和第二排名评分表间的排名的相似度，以获得第一信赖指标，来评估辨识结果的可靠程度。
在一些实施例中，在第一阶段后，进行一第二阶段。在第二阶段中，选择第一关键制程参数和第一关键机台间参数所组成的第二组合中的一第一参数。接着，根据工件所使用的第一参数的复数个数值，并以每一个数值为一参考值，来获得用以指出此些数值是否大于或等于此参考值的一组门槛数据。然后，通过输入工件的最终检查值、线上量测值、和门槛数据至第一搜寻模型中，以辨识出可能会造成良率测试失败的第一参数的复数个第一门槛值。
在一些实施例中，通过输入工件的最终检查值、和门槛数据至上述的第二搜寻模型中，以辨识出可能会造成良率测试失败的第一参数的的复数个第二门槛值。然后，对第一门槛值进行排名与评分，并对第二门槛值进行排名与评分。接着，比较第一门槛值和门槛值间的排名的相似度，以获得一第二信赖指标，来评估辨识结果的可靠程度。
在一些实施例中，对被对应的预设装置处理后的每一个工件进行量测的步骤还包含：对每一个工件进行虚拟量测。
根据本发明上述目的，提出另一种辨识良率损失原因的方法，其中此良率损失是发生在一生产线上，此生产线包含复数个制程站，每一个制程站包含至少一个制程机台，每一个制程机台包含至少一个制程装置，每一个制程装置具有复数个制程参数，此些制程参数是配置以处理复数个工件中的一工件。此些制程机台间具有复数个机台间参数，每一个机台间参数代表此些制程机台的两者间的交互作用。此辨识良率损失原因的方法包含：获得复数个生产路径，每一个生产路径指出在此些制程站上的此些制程机台的此些制程装置中的一预设装置，用以处理此些工件中的一工件；接收此些工件的复数组线上量测值，其中此些组线上量测值是通过对被预设装置处理后的此些工件进行量测来获得；接收对应至此些工件的复数组最终检查值，其中此些组最终检查值是通过对通过此生产线后的每一个工件进行至少一个良率测试来获得；根据此些组最终检查值决定是否遭遇一良率测试失败；当遭遇到良率测试失败时，进行一第一阶段。第一阶段包含：基于一第一演算法来建立一第一搜寻模型，其中此第一演算法为三阶段正交贪婪演算法演算法、最小绝对压缩挑选机制演算法、或回归树演算法；通过输入工件的制程参数、机台间参数、互动数据、最终检查值、线上量测值和生产路径至搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第一关键装置、和/或至少一个第一关键制程参数、和/或至少一个第一关键机台间参数、和/或至少一个第一关键交互作用；根据生产路径、制程参数和机台间参数，获得用以指出工件是否同时通过或使用第一关键装置、第一关键制程参数和第一关键机台间参数所组成的一第一组合中的任二元件的一组互动数据；以及通过输入工件的互动数据、最终检查值、线上量测值、和/或第一关键制程参数、和/或第一关键机台间参数、和/或第一关键交互作用、和/或工件通过第一关键装置的生产路径至搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第二关键装置、和/或至少一个第二关键制程参数、和/或至少一个第二关键机台间参数、和/或至少一个第二关键交互作用。
在一些实施例中，在第一阶段后，进行一第二阶段。在第二阶段中，选择第二关键制程参数和第二关键机台间参数所组成的第二组合中的第一参数。然后，根据工件所使用的第二组合中的第一参数的复数个数值，并以每一个数值为一参考值，来获得用以指出此些数值是否大于或等于此参考值的一组门槛数据。接着，通过输入工件的最终检查值、线上量测值、和门槛数据至第一搜寻模型中，以辨识出可能会造成良率测试失败的第二组合中的第一参数的复数个门槛值。
根据本发明上述目的，提出一种辨识良率损失的根本原因的系统，其中此良率损失是发生在一生产线上，此生产线包含复数个制程站，每一个制程站包含至少一个制程机台，每一个制程机台包含至少一个制程装置，每一个制程装置具有复数个制程参数，此些制程参数是配置以处理复数个工件中的一工件。此些制程机台间具有复数个机台间参数，每一个机台间参数代表此些制程机台的两者间的交互作用。此辨识良率损失原因的系统包含：记忆体和处理器。
此记忆体储存有一生产信息和对应至此些工件的复数组最终检查值。此生产信息包含复数个生产路径、此些工件的此些制程参数的数值、和此些工件的复数组线上量测值，其中每一个生产路径指出在此些制程站上的此些制程机台的此些制程装置中的一预设装置，用以处理此些工件中的一工件，此些组线上量测值是通过对被预设装置处理后的此些工件进行量测来获得，此些组最终检查值是通过对通过生产线后的每一个工件进行至少一个良率测试来获得。处理器是配置以根据此些组最终检查值决定是否遭遇一良率测试失败；当遭遇到良率测试失败时，进行一第一阶段，第一阶段包含：基于一第一演算法来建立一第一搜寻模型，其中此第一演算法为三阶段正交贪婪演算法演算法、最小绝对压缩挑选机制演算法、或回归树演算法；根据生产路径、制程参数和机台间参数，获得用以指出工件是否同时通过或使用制程装置、制程参数和机台间参数所组成的一第一组合中的任二元件的一组互动数据；以及通过输入工件的制程参数、机台间参数、互动数据、最终检查值、线上量测值和生产路径至第一搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第一关键装置、和/或至少一第一关键制程参数、和/或至少一第一个关键机台间参数、和/或至少一个第一关键交互作用。
在一些实施例中，在上述的处理器配置以进行的第一阶段中，基于第二演算法来建立第二搜寻模型，其中第二演算法与第一演算法不相同，第二演算法为三阶段正交贪婪演算法演算法、最小绝对压缩挑选机制演算法、或回归树演算法。接着，通过输入此些工件的制程参数、机台间参数互动数据、最终检查值、线上量测值和生产路径至第二搜寻模型中，以辨识出可能会造成良率测试失败的至少一个第二关键装置、和/或至少一个第二关键制程参数、和/或至少一个第二关键机台间参数、和/或至少一个第二关键交互作用。然后，对第一关键装置、和/或第一关键制程参数、和/或第一关键机台间参数、和/或第一关键交互作用进行排名与评分，而获得一第一排名评分表。并对第二关键装置、和/或第二关键制程参数、和/或第二关键机台间参数进行排名与评分、和/或第二关键交互作用，而获得一第二排名评分表。接着，比较第一排名评分表和第二排名评分表间的排名的相似度，以获得第一信赖指标，来评估辨识结果的可靠程度。
在一些实施例中，其中在第一阶段后，上述的处理器是配置以进行一第二阶段。第二阶段包含包含：选择第一关键制程参数和第一关键机台间参数所组成的一第二组合中的一第一参数；根据工件所使用的第二组合中的第一参数的复数个数值，并以每一个数值为一参考值，来获得用以指出数值是否大于或等于此参考值的一组门槛数据；以及通过输入工件的组最终检查值、线上量测值、和门槛数据至第一搜寻模型中，以辨识出可能会造成良率测试失败的第二组合中的第一参数的复数个第一门槛值。
因此，应用本发明实施例，可搜寻出造成良率损失的机台间或参数间的交互作用；可比较具有交互作用的机台或参数和单一机台或参数对良率的影响；可搜寻出影响良率的参数的门槛值，以改善机台间或参数间的交互作用来提升良率。
附图说明
为了更完整了解实施例及其优点，现参照结合所附附图所做的下列描述，其中
图1为绘示根据本发明一些实施例的生产系统的示意图；
图2A为绘示根据本发明一些实施例的生产线的示意图；
图2B为绘示根据本发明一些实施例在制程站上的例示制程机台的示意图；
图2C为绘示根据本发明一些实施例的例示制程机台的示意图；
图3为绘示根据本发明一些实施例的辨识良率损失的根本原因的系统示意图；
图4A和图4B为绘示根据本发明一些实施例的TREE演算法的流程示意图；
图5为绘示根据本发明一些实施例的辨识良率损失的根本原因的方法流程示意图；以及
图6为绘示用以说明本发明实施例的RDL制程的溅镀站的方块示意图。
具体实施方式
以下仔细讨论本发明的实施例。然而，可以理解的是，实施例提供许多可应用的发明概念，其可实施于各式各样的特定内容中。所讨论的特定实施例仅供说明，并非用以限定本发明的范围。
随着半导体及薄膜晶体管液晶显示器制造技术的制程愈来愈复杂，两制程机台间、两制程参数间、或制程机台与制程参数间的交互作用对良率的影响也愈来愈显著。当进行影响良率的关键因子的搜寻时，若只针对单一机台或单一关键制程参数，常容易因无法搜寻到因机台间的交互作用所造成的因子，导致搜寻结果不佳，而无法有效地针对因机台交互作用所引起的根本原因来进行良率的改善。
另一方面，即使知道某制程机台与某制程参数间交互作用会引起良率损失，但仍无法知道此制程参数必须大于或小于哪一个门槛值才会造成良率损失。因此，本发明实施例提供一种双阶段(Two-Phase)处理过程，以寻找生产线的良率损失的根本原因。在第一阶段中，辨识出可能会引起良率损失的两制程机台间、两制程参数间、或制程机台与制程参数间的交互作用或效应，并比较交互作用的机台或参数对良率的影响是否高于单一机台本身对良率的影响。若机台间存在交互作用时，且此交互作用的影响力高于单一机台本身的影响力时，则改善两机台间的交互作用会比只改善单一机台本身，对良率的提升更有效益。
在第二阶段中，在搜寻出具有交互作用的机台或制程参数后，进一步搜寻影响良率的制程参数门槛值，透过此门槛值的控制来避免生产线的良率损失，而达到对良率提升的目的。在每一个阶段中，本发明实施例提供可使用两个不同的演算法来产生一信赖指标(RII)，以评估其搜寻结果的可靠程度。
请参照图1，图1为绘示根据本发明一些实施例的生产系统的示意图。在一些实施例中，生产系统包含生产线100、辨识良率损失的根本原因的系统200、工程数据搜集(Engineering Data Collection；EDC)系统260、制造执行系统(Manufacturing ExecutionSystem；MES)270、和侦测与分类(Fault Detection and Classification；FDC)系统280。EDC系统310是配置以搜集生产线100所处理的工件的线上(In-line)量测值(y)、缺陷(D)和最终检查值(Y)。MES 330是配置以储存生产线100所处理的工件的生产路径(XR)。FDC系统280是配置以搜集感应器所获得的生产线100上各制程装置的制程参数的数值，并负责即时监控生产线100上各机台(制程装置)的健康状况。辨识良率损失的根本原因的系统200是配置以帮助FDC系统320辨识出可能会引起良率损失的两制程机台间、两制程参数间、或制程机台与制程参数间的交互作用或效应，以及影响良率的制程参数门槛值。FDC系统280在接到辨识良率损失的根本原因的系统200所提供的上述信息后，提供更新后的机台配置数据(如参数数值等)至生产线100上的机台，以改善良率。
请参照图2A至图2C，图2A为绘示根据本发明一些实施例的一生产线100的示意图，其中以TFT制程为例子；图2B为绘示根据本发明一些实施例在制程站上的例示制程机台的示意图，其中以“栅极层”为例子；图2C为绘示根据本发明一些实施例的例示制程机台的示意图，其中以沉积机台为例子。
本发明实施例是针对辨识引起发生在生产线100上的良率损失的根本原因，生产线100包含复数个制程站110、130、140、150和160，每一个制程站110、130、140、150和160包含一或多个制程机台112、114、116、118、120和122。举例而言，如图2B所示，每一个制程站110、130、140、150和160包含具有制程机台112、114、116、118、120和/或122。每一个制程机台包含至少一个制程装置。例如：每一个制程机台包含至制程装置112a、112b、112c、112d、112e和112f。
例如：在TFT-LCD厂中，生产线100可被设置来进行TFT制程，而制程站110(站I)、130(站II)、140(站III)、150(站IV)和160(站V)可为“栅极层”、“半导体层”、“数据层”、“保护层”、和“氧化铟锡(ITO)层”。“栅极层”(制程站110)包含用以进行所谓的显影制程(PhotoEngraving Process；PEP)的制程机台，这些制程机台分别为如薄膜沉积(制程机台112)、正光阻涂布(制程机台114)、曝光(制程机台116)、显影(制程机台118)、蚀刻(制程机台120)和光阻去除(制程机台122)等。每一个制程机台包含至制程装置112a、112b、112c、112d、112e和112f。在生产时，每一个工件逐一通过制程站110、130、140、150和160，最后并受到最终测试(良率测试)，以获得分别对应至此些工件的复数组最终检查值。然后，这些组最终检查值被用来决定是否遭遇到良率测试失败。良率测试可能遭遇型1至型10的良率损失，这些良率损失是由各种缺陷所造成，而这些缺陷是由电性测试失败、粉尘污染等所引起。良率测试可为例如对处理完成的工件进行粉尘颗粒检测(Particle Test)或针孔检测(Pin HoleTest)。粉尘颗粒检测是用以检测掉落至电路造成短路或断路的粉尘颗粒。针孔检测是用以检测在ITO溅镀时因工件表面上有异物所造成镀膜不均的情形。这些判定的缺陷的方式是使用自动化光学检测(Automatic Optical Inspection；AOI)设备来进行识别。例如：某一工件有型1和型3的缺陷(型1为粉尘颗粒缺陷；型3为针孔缺陷)，则此工件的型1至型10的良率测试结果(最终检查值)为[1 0 1 0 0 0 0 0 0 0]。当多个工件的型1至型10的良率测试结果(最终检查值)累积了太多的缺陷时，生产线100遭遇到「良率测试失败」。
在每一个制程站110、130、140、150和160上，每一个工件逐一被制程机台112、114、116、118、120和122所处理，而每一个工件只在每一个制程机台的一个制程装置中被处理。当每一个工件在制程机台112、114、116、118、120或122的一预定制程装置中被处理后，对此工件进行量测，以获得分别对应至工件的复数组线上(In-line)量测值，其中对此工件所进行的量测方式可为虚拟量测或由量测机台所进行的实际量测，如图2B所示的线上量测值124(厚度)、125(关键尺寸)、126(深度)和127(关键尺寸)。当每一个工件在一个制程装置中被处理时，使用例如感应器来收集制程装置的复数个制程参数的数值，如图2B所示的制程参数113、115、119和121。制程机台112和114间具有至少一个机台间参数131；制程机台114和116间具有至少一个机台间参数133；制程机台116和118间具有至少一个机台间参数135；制程机台118和120间具有至少一个机台间参数137；制程机台120和122间具有至少一个机台间参数139。机台间参数131、133、135、137和139是用以控制在两制程机台间的工件处理的参数，其可为例如等待时间(Queue-Time；Q-Time)，但本发明实施例并不在此限。「等待时间」为工件被一制程机台处理完后等待进入下一制程机台的时间。
请参照图3，图3为绘示根据本发明一些实施例的辨识良率损失的根本原因的系统200的示意图。系统200包含记忆体202和处理器206。处理器206可包含任何型式的处理器、微处理器、或可编译并执行指令的场效型可编程逻辑阵列(Field Programmable GateArray；FPGA)。处理器206可包含单一装置(例如单核心)或一组装置(例如多核心)。记忆体202可包含可储存供处理器206执行的信息和指令的随机存取记忆体(Random AccessMemory；RAM)或其它型式的动态储存装置。生产信息204、缺陷(D)和多组最终检查值(Y)稍后将被载入至记忆体202中，以供处理器206执行。
记忆体202储存有生产信息204、缺陷(D)、和对应至在生产线100(如图2A)中被处理的工件的最终检查值(Y)。生产信息204包含复数个生产路径(XR)、处理工件的制程数据(XP)的数值、和工件的多组线上量测值(y)，其中制程数据(XP)包含制程参数和机台间参数，其可由例如图1所示的FDC系统280获得。每一个生产路径指出在制程站上的制程机台的制程装置中的一个预设装置，用以处理一工件，如图2A至图2C所示的“在制程站110上制程机台112的制程装置112a”。生产路径可由例如图1所示的MES系统270获得。这些组线上量测值(y)的获得是透过对被对应的预设装置处理后的工件进行量测，而这些组最终检查值(Y)的获得是透过对通过生产线后的每一个工件进行至少一个良率测试。缺陷(D)可能会发在任何制程站中，故亦输入来进行分析。然后，被处理过的缺陷(D)可依据缺陷(D)的本质加入至生产信息204或最终检查值(Y)。线上量测值(y)、缺陷(D)和最终检查值(Y)可由例如图1所示的EDC系统260获得。根本原因寻找步骤240的输出是三阶段正交贪婪演算法(TPOGA)242的输出IEO、回归树(TREE)演算法244的输出IET和其伴随的信赖指标RII。回归树演算法244可为例如：提高样本使用率的回归树(SERT)演算法。在一些实施例中，最小绝对压缩挑选机制(LASSO)演算法可用以取代TREE 242或LASSO 244。值得注意的是，根本原因寻找步骤240使用两种不同的演算法，如TPOGA/LASSO、TPOGA/TREE、或LASSO/TREE。以下说明TPOGA、LASSO和TREE。
贪婪演算法是一种逐步回归法(Stepwise Regression Method)，其考虑到所有引起良率损失的参数(X)和最终检查值(Y)间的关系。在本发明实施例中，X包含与所有生产有关的变数：XR、XP、和y；而Y代表最终检查结果(值)。在此可使用纯贪婪演算法(Pure greedyalgorithm；PGA)和正交贪婪演算法来解决高维度回归问题。然而，在高维度线性回归中，正交贪婪演算法优于纯贪婪演算法。在本发明实施例中，将正交贪婪演算法、高维信息准则(high dimensional information criterion；HDIC)和修剪(Trimming)的程序结合成所谓的三阶段正交贪婪演算法(TPOGA)。本发明实施例所使用的TPOGA的细节可参考C.-K.Ing和T.L.Lai的论文(“A stepwise regression method and consistent model selectionfor high-dimensional sparse linear models”,Statistica Sinica,vol.21,pp.1473-1513,2011)，本发明的实施例引用此C.-K.Ing和T.L.Lai的论文的相关规定(Incorporatedby reference)，其中Ing和Lai揭示终止条件和HDIC，以沿着具有适当选取准则的最小值的OGA路径进行选取。
与逐步回归不同，LASSO是一种收缩(Shrinkage)方法，其令系数的绝对值总和小于一常数，使残值平方和最小化。由于此常数的本质，LASSO倾向于产生一些刚好为0的系数，因而提供可解释(解释力较强)的模型。LASSO与通常的逐步回归间的重大差异是：透过LASSO可同时处理所有的独立变数，但逐步回归无法时处理所有的独立变数。本发明实施例所使用的LASSO的细节可参考R.Tibshirani的论文(“Regression shrinkage andselection via the LASSO",J.Royal Statistical Soc.B,vol.58,no.1,pp.267-288,1996”)和Trevor Hastie、Robert Tibshirani与Jerome Friedman的论文(“The elementsof statistical learning:data mining,inference,and prediction”,Springer,NewYork,2009”)，本发明的实施例引用此R.Tibshirani的论文及Trevor Hastie、RobertTibshirani与Jerome Friedman的论文的相关规定(Incorporated by reference)。
本发明实施例所使用的回归树(TREE)演算法可为例如：SERT结合回归分析中的向前选取(Forward Selection)和回归树的方法。相较于如分类与回归树演算法(Classification And Regression Tree；CART)的习知决策树，SERT可处理在所谓的高维度变数选取(p>>n)问题中的组合效应。本发明实施例所使用的SERT的细节可参考A.Chen和A.Hong的论文(“Sample-efficient regression trees(SERT)for semiconductor yieldLoss Analysis”,IEEE Transactions on Semiconductor Manufacturing,vol.23,no.3,August 2010)，本发明的实施例引用此A.Chen和A.Hong的论文的相关规定(Incorporatedby reference)。
以下说明本发明实施例的TREE演算法。请参照图4A和图4B，其为绘示根据本发明一些实施例的TREE演算法的流程示意图。如图4A所示，在步骤310中，从生产信息中选择出与最终检查值(Y)最相关的第一变数，此第一变数在此称为主节点(Parent Node)，如图4B的左半部所示。第一变数可为制程机台、制程参数和/或机台间参数。在步骤320中，从除第一变数外的生产信息中选择出与最终检查值(Y)最相关的第二变数，其中通过第一变数与不通过第一变数的第二变数分别列为主节点的左次节点(Sub-Node)和右次节点如图4B的右半部所示。在步骤330中，以偏F检定(Partial F test)检测主节点各别与次节点和间的交互作用对最终检查值(Y)的影响力。当主节点与次节点或与次节点间的交互作用的F值(F1，2或F1,3)小于1时，代表主节点与次节点或与次节点间的交互作用对最终检查值(Y)的影响很小。当F1,2或F1,3大于或等于1时，代表代表主节点与次节点或与次节点间的交互作用对最终检查值(Y)的影响大，其中是否通过主节点(或)会产生不同的影响力。在步骤340中，检查主节点与次节点间的交互作用的F值(F1,2或F1,3)是否大于主节点的F值(即主节点对最终检查值(Y)的影响力)。当步骤330的结果为是时，进行步骤350。在步骤350中，此主节点与次节点间的交互作用所代表的变数。当步骤330的结果为否时或在进行步骤350后，进行步骤360，以检查次节点的F值(即次节点对最终检查值(Y)的影响力)是否小于1。当步骤360的结果为否时，代表次节点仍对最终检查值(Y)的影响力，则回到步骤310，再寻找次节点的下一层次节点。当步骤360的结果为是时，代表次节点对最终检查值(Y)的影响力很小，则结束寻找。
如图3所示，在进行根本原因寻找步骤240前，需要进行数据前处理步骤210、220和230，以确认所有输入：生产信息(XR、XP和y)、缺陷(D)和最终检查(Y)的品质。以下说明这些输入的特性。XR必须被离散化(Discretized)为1或0，其指出工件是否有通过此制程站。XP包含机台的制程参数(如电压、压力、温度等)的数据和机台间参数，其需被中心化(Centralized)。至于缺陷(D)，不同的公司有不同的缺陷定义，因此在执行数据前处理和数据捡查前必须与领域专家讨论。最终检查(Y)代表良率测试结果，其需被中心化。
XR的数据品质评估演算法(标示为)评估下列四个事实：1)虽然一个制程站可包含多个同样型式的制程机台，但此制程站只使用其中一个制程机台；2)若一个生产线应通过多个(例如三个)同样制程机台型式的制程机台，则此生产线具有三个制程站，此三个制程机台分别位于此三个制程站上；3)若一个制程机台被使用于不同的生产线上，则在不同生产线上的同样装置会被视为一个不同的制程站；4)对通过制程机台的一工件而言只有两种可能：通过(“1”)或不通过(“0”)；5)一工件不能通过不属于其制程站的制程机台。例如：一工件被一个制程站A中2个同样制程机台型式的制程机台a和b所处理，则制程机台a是位于制程站A上，并指定制程机台b是位于制程站B上。
类似地，XP和y的数据品质评估演算法分别标示为和Y的数据品质评估演算法标示为DQIY。和采用类似于美国专利前案第8095484B2号所使用的制程数据品质评估方法，而DQIY亦应用类似于美国专利前案第8095484B2号所使用的量测数据品质评估方法。本发明的实施例引用此美国专利前案第8095484B2号的相关规定(Incorporated by reference)。
处理器206是配置以根据最终检查值来决定是否遭遇一良率测试失败，并在遭遇到良率测试失败时，进行根本原因寻找步骤240和计算信赖指标(RII)的步骤250。根本原因寻找步骤240和计算信赖指标(RII)的步骤250是分为第一阶段和第二阶段，以辨识生产线100上的良率损失的根本原因。在第一阶段中，辨识出可能会造成良率损失的关键装置、和/或关键制程参数、和/或关键机台间参数。在第二阶段中，获得第一阶段所发现的会引起良率损失的参数的门槛值，据以调整制程来提升良率。在每一个阶段中，可使用两个不同的演算法来产生信赖指标(RII)，以评估本发明的搜寻结果的可靠程度。
在根本原因寻找步骤240的第一阶段中，首先，根据生产路径(XR)、制程参数和机台间参数(XP)，获得用以指出工件是否同时通过或使用制程装置、制程参数和机台间参数所组成的组合中的任二元件的一组互动数据。以下举例说明互动数据的形成。
假设生产线上有两个制程装置k和制程装置l，每一个工件的生产路径XRk和XRl，如公式(1)和(2)所示：
XRk＝[x1Rk x2Rk ... xn Rk]T (1)
XRl＝[x1Rl x2Rl ... xn Rl]T (2)
当xnRk＝1时代表第n个工件的生产路径通过制程装置k；
当xnRk＝0时代表第n个工件的生产路径未通过制程装置k；
当xnRl＝1时代表第n个工件的生产路径通过制程装置l；
当xnRl＝0时代表第n个工件的生产路径未通过制程装置l。
制程装置k和制程装置l间的互动数据XRkl为工件是否同时通过制程装置置k和l的数据，如公式(3)所示：
当xnRkl＝1时代表第n个工件的生产路径都通过制程装置k和制程装置l，则制程装置k和制程装置l间有交互作用；
当xnRl＝0时代表第n个工件的生产路径未通过制程装置k和制程装置l或只通过其中一者，制程装置k和制程装置l间无交互作用。同理，以上的例示亦可为两制程装置间、两制程参数间、制程装置与制程参数间、制程装置与机台间参数间、或制程参数与机台间参数间的互动数据。
接着，通过输入工件的制程参数、机台间参数、互动数据、最终检查值、线上量测值和生产路径至搜寻模型中，以辨识出可能会造成良率测试失败的至少一个关键装置、和/或至少一个关键制程参数、和/或至少一个关键机台间参数、和/或至少一个关键交互作用。所谓「关键交互作用」是指两制程装置间、两制程参数间、制程装置与制程参数间、制程装置与机台间参数间、或制程参数与机台间参数间对良率的影响。
在一些实施例中，分别以工件的制程参数、互动数据、最终检查值、线上量测值和生产路径为输入值并根据不同的演算法(如TPOGA 242和TREE 244)进行两次根本原因寻找步骤240，借以进行步骤250来计算一信赖指标(RII)，此信赖指标(RII)的计算是通过比较基于TPOGA 242和TREE 244的结果间的排名的相似度。信赖指标(RII)是用来评估基于TPOGA242和TREE 244的辨识结果的可靠程度。通过比较基于TPOGA 242和TREE 244的结果并考虑到重迭与权重，重新计算RII并设定RII至0-1之间。以RIIT＝0.7为门槛值，若RII大于RIIT，则代表获得优良的结果；否则，需重新检查辨识结果。稍后说明计算信赖指标(RII)的步骤250。
在第一阶段后，进行第二阶段。根本原因寻找步骤240和计算信赖指标(RII)的步骤250的第二阶段是用以获得第一阶段所发现的会引起良率损失的参数的门槛值，据以调整制程来提升良率；并使用两个不同的演算法来产生信赖指标(RII)，以评估本发明的门槛值搜寻结果的可靠程度。在第二阶段中，首先选择由第一阶段所选出的关键制程参数和关键机台间参数所组成的组合{X1,X2,…,Xp}中的一第一参数Xw，其中第一参数Xw对应至n个工件的数值为{t1,t2,…,tn}。然后，根据工件所使用的第一参数Xw的复数个数值{t1,t2,…,tn}，并以每一个数值ti为一参考值(1≦i≦n)，来获得用以指出此些数值{t1,t2,…,tn}是否大于或等于此参考值的一组门槛数据，如公式(4)所示：
因应实际应用的需要，公式(4)中的大于或等于ti，亦可改为小于或等于ti，即前述的门槛数据是用以指出此些数值{t1,t2,…,tn}是否小于或等于此参考值。
接着，通过输入工件的最终检查值(Y)、线上量测值、和门槛数据至搜寻模型中，以辨识出可能会造成良率测试失败的第一参数Xw的门槛值。如上所述，在第二阶段中，亦可根据不同的演算法(如TPOGA 242和TREE 244)进行两次根本原因寻找步骤240，借以进行步骤250来计算关于门槛值的信赖指标(RII)。
请参照图5，图5为绘示根据本发明一些实施例的辨识良率损失的根本原因的方法流程示意图。首先，进行步骤400，以根据最终检查值来决定是否遭遇一良率测试失败。当遭遇到良率测试失败时，进行第一阶段402。在第一阶段402中，进行第一根本原因寻找步骤410，以辨识出那一个关键装置、和/或关键制程参数、和/或关键机台间参数最可能会引起良率测试失败(良率损失)。在第一根本原因寻找步骤410中，首先基于第一演算法来建立第一搜寻模型，其中第一演算法为三阶段正交贪婪演算法(TPOGA)、最小绝对压缩挑选机制(LASSO)演算法、或回归树(TREE)演算法，例如：图3所示的TREE 244。然后，获得一组数据40a，其包含工件的最终检查值(Y)、生产路径(XR)、制程数据(XP)、和线上量测值(y)，其中制程数据(XP)包含制程参数和机台间参数。在一些实施例中，根据数据40a来获得用以指出工件是否同时通过或使用制程装置、制程参数和机台间参数所组成的一组合中的任二元件的一组互动数据40b(如公式(3)所示)。输入第一数据40a和互动数据40b至第一搜寻模型中，以辨识出可能会造成良率测试失败的关键装置、和/或关键制程参数、和/或关键机台间参数、和/或关键交互作用。
在其他实施例中，先输入第一数据40a至第一搜寻模型中，以辨识出可能会造成良率测试失败的第一关键装置、和/或第一关键制程参数、和/或第一关键机台间参数。然后，根据生产路径、和/或第一关键制程参数、和/或第一关键机台间参数，获得用以指出工件是否同时通过或使用第一关键装置、和/或第一关键制程参数、和/或第一关键机台间参数所组成的一第一组合中的任二元件的一组互动数据40b。然后，输入第一数据40a中对应至第一关键装置、和/或第一关键制程参数、和/或第一关键机台间参数的部分、和互动数据40b至第一搜寻模型中，以辨识出可能会造成良率测试失败的第二关键装置、和/或第二关键制程参数、和/或第二关键机台间参数、和/或第二关键交互作用。在第一根本原因寻找步骤410完成后，可选择性地进行第一信赖指标(RII)步骤420，以评估基于第一演算法(例如TREE)的第一根本原因寻找步骤410的搜寻结果的可靠程度。
在第一信赖指标(RII)步骤420中，可基于第二演算法来建立第二搜寻模型，其中第二演算法与第一演算法不相同，第二演算法为三阶段正交贪婪演算法演算法、最小绝对压缩挑选机制演算法、或回归树演算法。接着，输入第一数据40a和互动数据40b至第二搜寻模型中，以辨识出可能会造成良率测试失败的关键装置、和/或关键制程参数、和/或关键机台间参数、和/或关键交互作用。然后，对由第一搜寻模型所获得的关键装置、和/或关键制程参数、和/或关键机台间参数、和/或关键交互作用进行排名与评分，而获得一第一排名评分表。并对由第二搜寻模型所获得的关键装置、和/或关键制程参数、和/或关键机台间参数、和/或关键交互作用进行排名与评分，而获得一第二排名评分表。因为较早被选到的关键装置较重要，搜寻模型所找到的关键装置和参数的顺序是重要的，故权重的指定不仅是根据顺序亦根据80/20法则，以确保较高的分数给决定性的少数。结果是，评分方式如公式(5)所示：
其中OSl为原始分数，FSl为最终分数，而l为＝1、2、…、10的选序。
本发明实施例并不限于上述的80/20法则，其他的评分方法亦可被应用至本发明实施例。接着，比较第一排名评分表和第二排名评分表间的排名的相似度，以获得第一信赖指标(RII)，来评估辨识结果的可靠程度。搜寻结果的RII是被公式(6)所计算。
若Ri＝Oj (6)
其中
FSRi Ri的最终分数
FSOj Oj的最终分数
Ri 第一搜寻模型所获得的第i个选序的制程
装置或参数，i＝1、2、3、…、10
Oj 第二搜寻模型所获得的第j个选序的制程
装置或参数，j＝1、2、3、…、10
在步骤410或步骤420后，进行第二阶段404。在第二阶段404中，进行第二根本原因寻找步骤430，以辨识出制程参数可能会引起良率损失。在步骤430中，首先，自前述的第一关键制程参数和关键机台间参数(第二数据42a)中的选择一第一参数。然后，根据工件所使用的第一参数的复数个数值，并以每一个数值为一参考值，来获得用以指出此些数值是否大于或等于此参考值的一组门槛数据42b(如公式(4)所示)。接着，通过输入工件的最终检查值、线上量测值(第二数据42a)、和门槛数据42b至第一搜寻模型中，以辨识出可能会造成良率测试失败的第一参数的复数个第一门槛值。
在第二根本原因寻找步骤430完成后，可选择性地进行第二信赖指标(RII)步骤440，以评估第二根本原因寻找步骤430的搜寻结果的可靠程度。在第二信赖指标(RII)步骤440中，通过输入工件的最终检查值、线上量测值、和门槛数据至第一搜寻模型中，以辨识出可能会造成良率测试失败的第一参数的复数个第二门槛值。然后，对第一门槛值进行排名与评分，并对第二门槛值进行排名与评分。接着，比较第一门槛值和门槛值间的排名的相似度，以获得一第二信赖指标(RII)，来评估门槛值辨识结果的可靠程度。接着，例如图1所示的FDC系统280可根据辨识结果提供更新后的机台配置数据(如参数数值等)至关键机台，以改善制程来减少良率损失(步骤450)。
以下使用半导体封装的凸块制程来说明本发明实施例。凸块制程可分为重分布层(Redistribution Layer；RDL)制程和焊锡球下的金属层(Under Bump Metallurgy；UBM)制程，其中每一个制程包含溅镀站、光罩站、电镀站、剥除站和蚀刻站。凸块制程的基本单位为一晶圆批次(Lot)。
凸块制程的良率测试为电阻测试。在本例示中，总共分析了431个批次(即n＝431)。根据专家经验，高电阻通常发生在RDL制程的溅镀站中。请参照图6，图6为绘示用以说明本发明实施例的RDL制程的溅镀站的方块示意图。如图6所示，在进入溅镀站(SputterStage；SS)前，每一批次必须先通过烘炉站(Oven Stage；OS)和清洗站(Clean Stage；CS)。因此，本例示共有5个制程装置SD01、SD02、SD03、SD04和SD05，及3个机台间参数(即OS至CS的等待时间、CS至SS的等待时间、OS至SS的等待时间)。
在本例示中，首先进行第一阶段。在第一阶段中，通过输入431个批次的关于5个制程装置SD01、SD02、SD03、SD04和SD05的生产路径、最终检查值、线上量测值和3个机台间参数的数值至TPOGA搜寻模型和LASSO搜寻模型中，以辨识出可能会造成良率测试失败的关键装置SD01和SD02、和关键机台间参数「OS至SS的等待时间」。如表1所示，造成良率测试失败的因子的重要性排名依序为关键装置SD01、关键装置SD02、关键机台间参数「OS至SS的等待时间」。
选序 TPOGA搜寻模型 LASSO搜寻模型
1 SD01 SD01
2 SD02 SD02
3 OS至SS的等待时间 OS至SS的等待时间
… …
表1
然后，根据生产路径、机台间参数，获得用以指出工件是否同时通过或使用关键装置SD01、关键装置SD02、关键机台间参数「OS至SS的等待时间」所组成的组合中的任二元件的一组互动数据，即每一工件(批次)是否同时通过或使用关键装置SD01/关键装置SD02、关键装置SD01/关键机台间参数「OS至SS的等待时间」、或关键装置SD01/关键机台间参数「OS至SS的等待时间」。接着，输入工件(批次)的关键机台间参数「OS至SS的等待时间」、互动数据、最终检查值、线上量测值、工件通过关键装置SD01或SD02的生产路径至搜寻模型中，以辨识出可能会造成良率测试失败的「SD01与OS至SS的等待时间之间的交互作用」(即关键交互作用)、关键装置SD01和关键装置SD02。如表2所示，造成良率测试失败的因子的重要性排名依序为「SD01与OS至SS的等待时间之间的交互作用」、关键装置SD01、关键装置SD02。
表2
由表2可知，由TREE搜寻模型和TOPGA搜寻模型的结果相同，其信赖指标(RII)＝1(大于0.7)，代表获得优良的结果。
在第一阶段后，进行第二阶段。在第二阶段中，由于「SD01与OS至SS的等待时间之间的交互作用」对良率的影，因此，选择「OS至SS的等待时间」XOS-to-SS Q-time(小时)来进行门槛值分析。在本例示中，有96个批次通过制程装置SD01，故「OS至SS的等待时间」有96个数值，分别为{53.48,3.67,9.58,…,3.91,8.92}。然后，根据XOS-to-SS Q-time的复数个数值{53.48,3.67,9.58,…,3.91,8.92}，并以每一个数值为一参考值，来获得用以指出此些数值{53.48,3.67,9.58,…,3.91,8.92}是否大于或等于此参考值的一组门槛数据。根据上述的公式(4)，当参考值为“53.48”时，数值{53.48,3.67,9.58,…,3.91,8.92}转换成数值{1,0,0,…,0,0}；当参考值为“3.67”时，数值{53.48,3.67,9.58,…,3.91,8.92}转换成数值{1,1,1,…,1,1}；当参考值为“9.58”时，数值{53.48,3.67,9.58,…,3.91,8.92}转换成数值{1,0,1,…,0,0}。门槛数据如下所示：
通过输入工件的(批次)最终检查值、组线上量测值、和门槛数据至搜寻模型中，以辨识出可能会造成良率测试失败的「OS至SS的等待时间」XOS-to-SS Q-time的复数个门槛值，如表3所示。
选序 TREE搜寻模型 topGA搜寻模型
1 ≧9.58小时 ≧9.58小时
2 ≧2.86小时 ≧2.84小时
3 ≧2.84小时 ≧2.86小时
… …
表3
由表3可知，TREE搜寻模型和TOPGA间的信赖指标(RII)＝0.742(大于0.7)，代表获得优良的结果。以下以实际数据来验证「OS至SS的等待时间」≧9.58小时确实是造成良率损失的根本原因。当96个批次的「OS至SS的等待时间」以9.58小时为分界点时，有74个批次的「OS至SS的等待时间」小于9.58小时，其中有13个批次具有高电阻的批次，其异常率为17％；有22个批次的「OS至SS的等待时间」大于或等于9.58小时，其中有11个批次具有高电阻的批次，其异常率为50％。因此，「OS至SS的等待时间」≧9.58小时确实是造成良率损失的根本原因。接着，可发出一通知至相关部门，以修正「OS至SS的等待时间」来改善良率损失。
可理解的是，本发明的量测抽样方法为以上所述的实施步骤，本发明的内储用于量测抽样的计算机程序产品，是用以完成如上述的量测抽样的方法。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用计算机程序产品来实现，其可包含储存有多个指令的机器可读取媒体，这些指令可程序化(programming)计算机来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软盘、光盘、只读光盘、磁光盘、只读记忆体、随机存取记忆体、可抹除可编程只读记忆体(EPROM)、电子可抹除可编程只读记忆体(EEPROM)、光卡(optical card)或磁卡、快闪记忆体、或任何适于储存电子指令的机器可读取媒体。再者，本发明的实施例也可做为计算机程序产品来下载，其可通过使用通讯连接(例如网络连线之类的连接)的数据信号来从远端计算机转移本发明的计算机程序产品至请求计算机。
亦可注意的是，本发明亦可描述于一制造系统的语境中。虽然本发明可建置在半导体制作中，但本发明并不限于半导体制作，亦可应用至其他制造工业。制造系统是配置以制造工件或产品，工件或产品包含但不受限于微处理器、记忆体装置、数字信号处理器、专门应用的电路(ASICs)或其他类似装置。本发明亦可应用至除半导体装置外的其他工件或产品，如车辆轮框、螺丝。制造系统包含一或多个处理工具，其可用以形成一或多个产品或产品的一部分，在工件(例如：晶圆、玻璃基板)上或中。发明本领域具有通常技艺者应可知，处理工具可为任何数目和任何型式，包含有微影机台、沉积机台、蚀刻机台、研磨机台、退火机台、工具机和类似工具。在实施例中，制造系统亦包含散射仪、椭圆偏光仪、扫描式电子显微镜和类似仪器。
综上所述，本发明实施例可搜寻出造成良率损失的机台间或参数间的交互作用；可比较具有交互作用的机台或参数和单一机台或参数对良率的影响；可搜寻出影响良率的参数的门槛值，故可改善机台间或参数间的交互作用来提升良率。
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。

Claims (10)

1.一种辨识良率损失原因的方法，其特征在于，包含：
提供一生产线，该生产线包含复数个制程站(Stages)，每一该些制程站包含复数个制程机台，每一该些制程机台包含至少一制程装置，每一该至少一制程装置具有复数个制程参数，该些制程参数是配置以处理复数个工件其中一者，其中该些制程机台间具有复数个机台间参数，每一该些机台间参数代表该些制程机台的两者间的交互作用；
根据复数个生产路径分别处理该些工件，每一该些生产路径指出在该些制程站上的该些制程机台的该些制程装置其中一预设装置，用以处理该些工件其中一者；
对被对应的预设装置处理后的每一该些工件进行量测，以获得对应至该些工件的复数组线上量测值；
对通过该生产线后的每一该些工件进行至少一良率测试，以获得分别对应至该些工件的复数组最终检查值；
根据该些组最终检查值决定是否遭遇一良率测试失败；以及
当遭遇到该良率测试失败时，进行一第一阶段，该第一阶段包含：
基于一第一演算法来建立一第一搜寻模型，其中该第一演算法为一三阶段正交贪婪演算法(Triple Phase Orthogonal greedy algorithm；TPOGA)、一最小绝对压缩挑选机制(Least Absolute Shrinkage and Selection Operator；LASSO)演算法、或一回归树演算法；
根据该些生产路径、该些制程参数和该些机台间参数，获得用以指出该些工件是否同时通过或使用该些制程装置、该些制程参数和该些机台间参数所组成的一第一组合中的任二元件的一组互动数据；以及
通过输入该些工件的该些生产路径、该些制程参数、该些机台间参数、该组互动数据、该些组最终检查值和/或该些组线上量测值至该第一搜寻模型中，以辨识出可能会造成该良率测试失败的至少一第一关键装置、和/或至少一第一关键制程参数、和/或至少一第一关键机台间参数、和/或至少一第一关键交互作用。
2.根据权利要求1所述的辨识良率损失原因的方法，其特征在于，该第一阶段还包含：
基于一第二演算法来建立一第二搜寻模型，其中该第二演算法与该第一演算法不相同，该第二演算法为该三阶段正交贪婪演算法演算法、该最小绝对压缩挑选机制演算法、或该回归树演算法；
通过输入该些制程参数、该些机台间参数、该些工件的该组互动数据、该些组最终检查值、该些组线上量测值和该些生产路径至该第二搜寻模型中，以从辨识出可能会造成该良率测试失败的至少一第二关键装置、和/或至少一第二关键制程参数、和/或至少一第二关键机台间参数、和/或至少一第二关键交互作用；
对该至少一第一关键装置、和/或该至少一第一关键制程参数、和/或至少一第一关键机台间参数、和/或至少一第一关键交互作用进行排名与评分，而获得一第一排名评分表；
对该至少一第二关键装置、和/或该至少一第二关键制程参数、和/或该至少一第二关键机台间参数和/或至少一第二关键交互作用进行排名与评分，而获得一第二排名评分表；以及
比较该第一排名评分表和该第二排名评分表间的排名的相似度，以获得一第一信赖指标，来评估辨识结果的可靠程度。
3.根据权利要求1所述的辨识良率损失原因的方法，其特征在于，还包含：
在该第一阶段后，进行一第二阶段，该第二阶段包含：
选择该至少一第一关键制程参数和该至少一第一关键机台间参数所组成的一第二组合中的一第一参数；
根据该些工件所使用的该第二组合中的该第一参数的复数个数值，并以每一该些数值为一参考值，来获得用以指出该些数值是否大于或等于该参考值的一组门槛数据；以及
通过输入该些工件的该些组最终检查值、该些组线上量测值、和该组门槛数据至该第一搜寻模型中，以辨识出可能会造成该良率测试失败的该第二组合中的该第一参数的复数个第一门槛值。
4.根据权利要求3所述的辨识良率损失原因的方法，其特征在于，该第二阶段还包含：
基于一第二演算法来建立一第二搜寻模型，其中该第二演算法与该第一演算法不相同，该第二演算法为该三阶段正交贪婪演算法演算法、该最小绝对压缩挑选机制演算法、或该回归树演算法；
通过输入该些工件的该些组最终检查值、和该组门槛数据至该第二搜寻模型中，以辨识出可能会造成该良率测试失败的该第二组合中的该第一参数的的复数个第二门槛值；
对该些第一门槛值进行排名与评分；
对该些第二门槛值进行排名与评分；以及
比较该些第一门槛值和该些门槛值间的排名的相似度，以获得一第二信赖指标，来评估辨识结果的可靠程度。
5.根据权利要求1所述的辨识良率损失原因的方法，其特征在于，对被对应的预设装置处理后的每一该些工件进行量测的步骤还包含：对每一该些工件进行虚拟量测。
6.一种辨识良率损失原因的方法，其特征在于，该良率损失是发生在一生产线上，该生产线包含复数个制程站，每一该些制程站包含至少一制程机台，每一该至少一制程机台包含至少一制程装置，每一该至少一制程装置具有复数个制程参数，该些制程参数是配置以处理复数个工件其中一者，其中该些制程机台间具有复数个机台间参数，每一该些机台间参数代表该些制程机台的两者间的交互作用，该辨识良率损失原因的方法包含：
获得复数个生产路径，每一该些生产路径指出在该些制程站上的该些制程机台的该些制程装置其中一预设装置，用以处理该些工件其中一者；
接收该些工件的复数组线上量测值，其中该些组线上量测值是通过对被预设装置处理后的该些工件进行量测来获得；
接收对应至该些工件的复数组最终检查值，其中该些组最终检查值是通过对通过该生产线后的每一该些工件进行至少一良率测试来获得；
根据该些组最终检查值决定是否遭遇一良率测试失败；以及
当遭遇到该良率测试失败时，进行一第一阶段，该第一阶段包含：
基于一演算法来建立一搜寻模型，其中该演算法为一三阶段正交贪婪演算法演算法、一最小绝对压缩挑选机制演算法、或一回归树演算法；
通过输入该些工件的该些机台间参数、该些制程参数、该些组最终检查值、该些组线上量测值和该些生产路径至该搜寻模型中，以从中辨识出可能会造成该良率测试失败的至少一第一关键装置、和/或至少一第一关键制程参数、和/或至少一第一关键机台间参数；
根据该些生产路径、该些制程参数和该些机台间参数，获得用以指出该些工件是否同时通过或使用该至少一第一关键装置、该至少一第一关键制程参数和该至少一第一关键机台间参数所组成的一第一组合中的任二元件的一组互动数据；以及
通过输入该些工件的该组互动数据、该些组最终检查值、该些组线上量测值、和/或该至少一第一关键制程参数、和/或该至少一第一关键机台间参数、和/或该至少一第一关键制程参数、和/或该些工件通过该至少一第一关键装置的生产路径至该搜寻模型中，以辨识出可能会造成该良率测试失败的至少一第二关键装置、和/或至少一第二关键制程参数、和/或至少一第二关键机台间参数和/或至少一第二关键交互作用。
7.根据权利要求6所述的辨识良率损失原因的方法，其特征在于，还包含：
在该第一阶段后，进行一第二阶段，该第二阶段包含：
选择该至少一第二关键制程参数和该至少一第二关键机台间参数所组成的一第二组合中的一第一参数；
根据该些工件所使用的该第二组合中的该第一参数的复数个数值，并以每一该些数值为一参考值，来获得用以指出该些数值是否大于或等于该参考值的一组门槛数据；以及
通过输入该些工件的该些组最终检查值、该些组线上量测值、和该组门槛数据至该第一搜寻模型中，以辨识出可能会造成该良率测试失败的该第二组合中的该第一参数的复数个门槛值。
8.一种辨识良率损失原因的系统，其特征在于，该良率损失是发生在一生产线上，该生产线包含复数个制程站，每一该些制程站包含至少一制程机台，每一该至少一制程机台包含至少一制程装置，每一该至少一制程装置具有复数个制程参数，该些制程参数是配置以处理复数个工件其中一者，其中该些制程机台间具有复数个机台间参数，每一该些机台间参数代表该些制程机台的两者间的交互作用，该辨识良率损失原因的系统包含：
一记忆体，其储存有一生产信息和对应至该些工件的复数组最终检查值，该生产信息包含复数个生产路径、该些工件的该些制程参数的数值、该些机台间参数的数值、和该些工件的复数组线上量测值，其中每一该些生产路径指出在该些制程站上的该些制程机台的该些制程装置其中一预设装置，用以处理该些工件其中一者，该些组线上量测值是通过对被预设装置处理后的该些工件进行量测来获得，该些组最终检查值是通过对通过该生产线后的每一该些工件进行至少一良率测试来获得；以及
一处理器，配置以
根据该些组最终检查值决定是否遭遇一良率测试失败；以及
当遭遇到该良率测试失败时，进行一第一阶段，该第一阶段包含：
基于一第一演算法来建立一第一搜寻模型，其中该第一演算法为一三阶段正交贪婪演算法、一最小绝对压缩挑选机制演算法、或一回归树演算法；
根据该些生产路径、该些制程参数和该些机台间参数，获得用以指出该些工件是否同时通过或使用该些制程装置、该些制程参数和该些机台间参数所组成的一第一组合中的任二元件的一组互动数据；以及
通过输入该些工件的该些制程参数、该些机台间参数、该组互动数据、该些组最终检查值、该些组线上量测值和该些生产路径至该第一搜寻模型中，以辨识出可能会造成该良率测试失败的至少一第一关键装置、和/或至少一第一关键制程参数、和/或至少一第一关键机台间参数、和/或至少一第一关键交互作用。
9.根据权利要求8所述的辨识良率损失原因的系统，其特征在于，该第一阶段还包含：
基于一第二演算法来建立一第二搜寻模型，其中该第二演算法与该第一演算法不相同，该第二演算法为该三阶段正交贪婪演算法演算法、该最小绝对压缩挑选机制演算法、或该回归树演算法；
通过输入该些工件的该些制程参数、该些机台间参数、该组互动数据、该些组最终检查值、该些组线上量测值和该些生产路径至该第二搜寻模型中，以从辨识出可能会造成该良率测试失败的至少一第二关键装置、或至少一第二关键制程参数、或至少一第二关键机台间参数、和/或至少一第二关键交互作用；
对该至少一第一关键装置、或该至少一第一关键制程参数、或至少一第一关键机台间参数、和/或至少一第一关键交互作用进行排名与评分，而获得一第一排名评分表；
对该至少一第二关键装置、或该至少一第二关键制程参数、或该至少一第二关键机台间参数、和/或至少一第二关键交互作用进行排名与评分，而获得一第二排名评分表；以及
比较该第一排名评分表和该第二排名评分表间的排名的相似度，以获得一第一信赖指标，来评估辨识结果的可靠程度。
10.根据权利要求8所述的辨识良率损失原因的系统，其特征在于，在该第一阶段后，该处理器是配置以进行一第二阶段，进行一第二阶段，该第二阶段包含：
选择该至少一第一关键制程参数和该至少一第一关键机台间参数所组成的一第二组合中的一第一参数；
根据该些工件所使用的该第二组合中的该第一参数的复数个数值，并以每一该些数值为一参考值，来获得用以指出该些数值是否大于或等于该参考值的一组门槛数据；以及
通过输入该些工件的该些组最终检查值、该些组线上量测值、和该组门槛数据至该第一搜寻模型中，以辨识出可能会造成该良率测试失败的该第二组合中的该第一参数的复数个第一门槛值。
CN201811445872.3A 2018-05-17 2018-11-29 考虑机台交互作用的辨识良率损失原因的系统与方法 Active CN110503288B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862672591P 2018-05-17 2018-05-17
US62/672,591 2018-05-17

Publications (2)

Publication Number Publication Date
CN110503288A true CN110503288A (zh) 2019-11-26
CN110503288B CN110503288B (zh) 2022-05-24

Family

ID=67348008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811445872.3A Active CN110503288B (zh) 2018-05-17 2018-11-29 考虑机台交互作用的辨识良率损失原因的系统与方法

Country Status (3)

Country Link
US (1) US10948903B2 (zh)
CN (1) CN110503288B (zh)
TW (1) TWI660322B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI700565B (zh) * 2019-07-23 2020-08-01 臺灣塑膠工業股份有限公司 參數修正方法及系統
CN111240279B (zh) * 2019-12-26 2021-04-06 浙江大学 一种面向工业不平衡数据的对抗增强故障分类方法
EP3872567A1 (en) * 2020-02-25 2021-09-01 ASML Netherlands B.V. Systems and methods for process metric aware process control
TWI742709B (zh) * 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
US20220066410A1 (en) * 2020-08-28 2022-03-03 Pdf Solutions, Inc. Sequenced Approach For Determining Wafer Path Quality
CN115623872A (zh) * 2021-04-30 2023-01-17 京东方科技集团股份有限公司 数据处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200534147A (en) * 2005-07-04 2005-10-16 Ting-Cheng Chang The suitable method for selection of manufacturing factors and the best combination of interactive factors under multiple quality properties
CN104360548A (zh) * 2014-12-09 2015-02-18 合肥鑫晟光电科技有限公司 液晶喷墨涂布设备及参数调整方法、液晶涂布与检查系统
CN105700490A (zh) * 2014-11-28 2016-06-22 中芯国际集成电路制造（天津）有限公司 一种提高产品良率的方法及系统
CN106815462A (zh) * 2015-11-30 2017-06-09 郑芳田 辨识良率损失的根本原因的系统与方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6272391B1 (en) * 1998-09-30 2001-08-07 Rockwell Technologies, Llc Self organizing industrial control system importing neighbor constraint ranges
US7494893B1 (en) * 2007-01-17 2009-02-24 Pdf Solutions, Inc. Identifying yield-relevant process parameters in integrated circuit device fabrication processes
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
TWI400619B (zh) * 2008-11-26 2013-07-01 Univ Nat Cheng Kung 偵測產品品質超規與評估產品實際量測值的方法
US8285414B2 (en) * 2009-03-31 2012-10-09 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
US9489599B2 (en) * 2013-11-03 2016-11-08 Kla-Tencor Corp. Decision tree construction for automatic classification of defects on semiconductor wafers

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200534147A (en) * 2005-07-04 2005-10-16 Ting-Cheng Chang The suitable method for selection of manufacturing factors and the best combination of interactive factors under multiple quality properties
CN105700490A (zh) * 2014-11-28 2016-06-22 中芯国际集成电路制造（天津）有限公司 一种提高产品良率的方法及系统
CN104360548A (zh) * 2014-12-09 2015-02-18 合肥鑫晟光电科技有限公司 液晶喷墨涂布设备及参数调整方法、液晶涂布与检查系统
CN106815462A (zh) * 2015-11-30 2017-06-09 郑芳田 辨识良率损失的根本原因的系统与方法

Also Published As

Publication number Publication date
TWI660322B (zh) 2019-05-21
US20190354094A1 (en) 2019-11-21
US10948903B2 (en) 2021-03-16
TW201947514A (zh) 2019-12-16
CN110503288B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN110503288A (zh) 考虑机台交互作用的辨识良率损失原因的系统与方法
CN106815462B (zh) 辨识良率损失的根本原因的系统与方法
KR100858861B1 (ko) 데이터 분석 방법 및 장치
US7395170B2 (en) Methods and apparatus for data analysis
US8041541B2 (en) Methods and apparatus for data analysis
US6580960B1 (en) System and method for finding an operation/tool combination that causes integrated failure in a semiconductor fabrication facility
CN110782546A (zh) 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法
JP7354421B2 (ja) エラー要因の推定装置及び推定方法
US20230054342A1 (en) Modelling and prediction of virtual inline quality control in the production of memory devices
Kim et al. Fault detection prediction using a deep belief network-based multi-classifier in the semiconductor manufacturing process
TWI801973B (zh) 錯誤因素之推定裝置及推定方法
US20080033589A1 (en) Data mining to detect performance quality of tools used repetitively in manufacturing
TW200411508A (en) Method for analyzing in-line QC parameters
US6424881B1 (en) Computer generated recipe selector utilizing defect file information
CN117076856A (zh) 一种缺陷根因定位方法、系统、设备及存储介质
Weber et al. Quantifying the value of ownership of yield analysis technologies
JP2002368056A (ja) 歩留まり条件の提供方法、製造条件の決定方法、半導体装置の製造方法、および記録媒体
US20230153846A1 (en) Golden path search method for manufacturing process and system thereof
TWI835197B (zh) 製造程序之最佳良率路徑之搜尋方法及其系統
CN116188877B (zh) 一种晶圆缺陷未知类别检测及分类的方法及系统
Kung et al. Mining Factors Impact Wafer Circuit Probing Via Neural Network and Statistics for Semiconductor Device Fabrication
Patnaik et al. Operational Risk in Semiconductor Fabrication Using Binary Classification Algorithms and Monte Carlo Simulation, a Systemic Review
Weber et al. A yield management strategy for semiconductor manufacturing based on information theory
Hsieh et al. Intelligent Yield Management (IYM)
JP2023517873A (ja) 寿命初期故障を起こしやすいダイの予測

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant